betashort
commented
4 years ago Abstract
長時間の時系列データの経時変化を観察し、繰り返しパターンを見つけ、外れ値を検出し、データインスタンスを効果的にラベル付けすることで、ユーザが時系列データを理解するのを支援するソリューションが求められています。これらのタスクは非常に異なっており、通常は別々に扱われますが、我々はこれらの問題に単一のシステムで対処できる対話型のビジュアルアナリティクスシステムとアプローチを紹介します。これにより、ユーザーは、接続された散布図を使用して、一変量または多変量の長期時系列データを1つの画像で視覚化し、理解し、探索することができます。パターン発見や外れ値検出のためのインタラクティブな分析と探索をサポートします。本システムでは、様々な次元削減技術を用いて比較を行っています。特徴を抽出する能力の高さから、多変量の時系列データに対しては、2次元削減技術とともにディープラーニングを使用し、大量の時系列データを迅速かつ容易に解釈し、相互作用させることに成功した。本研究では、異なる時系列データを用いて本システムを展開し、本システムを評価するために用いた2つの実例を報告する。
Conclusion
時系列解析では、自動エンコーダーを含む次元削減技術とともに、スライディングウィンドウアプローチが普及してきています。TimeCluster は、これらのアプローチとユーザーのインタラクションを組み合わせて、高速なパターン同定、ラベリング、および外れ値検出を実現します。ユーザーは、異なる次元削減技術、ウィンドウとステップサイズの選択、1次元深層畳み込み自動エンコーダーの使用などにより、パイプラインを変化させることができます。多変量データの場合、1次元深層畳み込み自動エンコーダーは、より少ない情報損失の結果として適切な特徴を学習する能力を持っています。これにより、2 次元可視化のためのポイントを変換することで、TimeCluster はデータセット全体を 1 つの画像にまとめることが可能となり、複数のリンクを持つ可視化によるインタラクションが可能となりました。時系列データの場合、t-SNE はデータを過剰にクラスタリングしてしまい、外れ値を見つけたり、類似した特徴をブラッシングしたりすることが困難な、かなりバラバラなビューを表示してしまうことがわかりました。深層学習を用いて、潜在層での適切な特徴表現を用いてすべてのチャネルからの情報を組み合わせることは、これまで知られていなかった反復的なパターンや興味深い異常を発見するために非常に効果的な方法である。
TimeCluster: dimension reduction applied to temporal data for visual analytics
0. 論文情報・リンク
論文リンク：https://link.springer.com/article/10.1007/s00371-019-01673-y 公開日時：09 May 2019 実装コード： Publication :
1. どんなもの？
2. 先行研究と比べてどこがすごいの？
3. 技術や手法の"キモ"はどこにある？
4. どうやって有効だと検証した？
5. 議論はあるか？
6. 次に読むべき論文はあるか？
7. 実装
8. 参考文献